Κάθε εβδομάδα, το Greek Prophet δημοσιεύει προβλέψεις για τους αγώνες της Super League και προσομοιώσεις για την τελική κατάταξη. Αλλά πώς ακριβώς παράγονται αυτές οι προβλέψεις; Σε αυτό το άρθρο, εξηγούμε με απλά λόγια τη μεθοδολογία πίσω από τα νούμερα — χωρίς μαθηματικούς τύπους, αλλά με διαφάνεια για το πώς σκεφτόμαστε.

Τα βασικά μοντέλα

Χρησιμοποιούμε έναν συνδυασμό πέντε στατιστικών μοντέλων, το καθένα με διαφορετική προσέγγιση. Ο λόγος που δεν βασιζόμαστε σε ένα μόνο μοντέλο είναι ότι κανένα δεν είναι τέλειο — το καθένα «βλέπει» διαφορετικές πτυχές του παιχνιδιού.

Το μοντέλο Dixon-Coles είναι ο πυρήνας μας. Βασίζεται στην ιδέα ότι κάθε ομάδα έχει μια «επιθετική δύναμη» και μια «αμυντική δύναμη» που καθορίζουν πόσα γκολ θα βάλει και θα δεχτεί. Το μοντέλο αυτό έχει μια ειδική διόρθωση για τα χαμηλά σκορ (0-0, 1-0, 0-1) που εμφανίζονται συχνότερα από ό,τι θα προέβλεπε ένα απλό στατιστικό μοντέλο.

Παράλληλα, χρησιμοποιούμε αξιολογήσεις Elo και Glicko-2 — συστήματα που μετρούν τη δυναμική ισχύ των ομάδων με βάση τα αποτελέσματά τους, δίνοντας μεγαλύτερη βαρύτητα στα πρόσφατα παιχνίδια. Το Glicko-2 προσθέτει και μια έννοια «αβεβαιότητας» — αν μια ομάδα δεν έχει παίξει για καιρό, η αξιολόγησή της είναι λιγότερο σίγουρη.

Ο ρόλος του xG

Τα expected goals (xG) είναι ένα από τα πιο χρήσιμα εργαλεία στη σύγχρονη ποδοσφαιρική ανάλυση. Κάθε σουτ σε έναν αγώνα βαθμολογείται με βάση την πιθανότητα να καταλήξει σε γκολ — από 0.01 (σχεδόν αδύνατο) έως 0.99 (σίγουρο γκολ). Το άθροισμα των xG μιας ομάδας μας λέει πόσα γκολ «άξιζε» να βάλει με βάση την ποιότητα των ευκαιριών της.

Στο Greek Prophet, χρησιμοποιούμε δεδομένα xG από το FlashScore και το FBref για να καταλάβουμε ποιες ομάδες υπερ-αποδίδουν (σκοράρουν περισσότερο από τα xG τους) και ποιες υπο-αποδίδουν — τάσεις που συχνά διορθώνονται με την πάροδο του χρόνου.

Μηχανική μάθηση: Ο συνδυασμός όλων

Το πιο εξελιγμένο κομμάτι του συστήματός μας είναι ένα μοντέλο XGBoost — μια τεχνική μηχανικής μάθησης που μαθαίνει να συνδυάζει τις προβλέψεις από όλα τα επιμέρους μοντέλα, συνυπολογίζοντας παράγοντες όπως η έδρα, η φόρμα, οι απουσίες και οι αποδόσεις των στοιχηματικών εταιρειών. Το XGBoost λειτουργεί σαν ένας «διαιτητής» που ξέρει πότε να εμπιστευτεί ποιο μοντέλο.

Προσομοιώσεις Monte Carlo

Για τις προβλέψεις σεζόν (πιθανότητες τίτλου, τετράδας, Ευρώπης, υποβιβασμού), τρέχουμε προσομοιώσεις Monte Carlo. Αυτό σημαίνει ότι προσομοιώνουμε ολόκληρη τη σεζόν χιλιάδες φορές (συνήθως 10.000-20.000 σενάρια), κάθε φορά με τυχαίες διακυμάνσεις στα αποτελέσματα. Το ποσοστό των σεναρίων στα οποία μια ομάδα τερματίζει πρώτη είναι η πιθανότητα τίτλου της.

Αυτή η μέθοδος είναι ισχυρή γιατί δεν μας λέει απλώς «η ΑΕΚ είναι φαβορί» — μας λέει με ποια ακριβώς πιθανότητα, λαμβάνοντας υπόψη όλα τα πιθανά σενάρια της υπόλοιπης σεζόν.

Διαφάνεια και περιορισμοί

Κανένα μοντέλο δεν είναι τέλειο. Το ποδόσφαιρο είναι απρόβλεπτο — τραυματισμοί, διαιτητικές αποφάσεις, καιρικές συνθήκες και η απλή τύχη παίζουν ρόλο που κανένα στατιστικό μοντέλο δεν μπορεί να συλλάβει πλήρως. Γι' αυτό δημοσιεύουμε τακτικά τις μετρικές απόδοσης των μοντέλων μας — για να ξέρετε πόσο καλά τα πηγαίνουν.

Οι προβλέψεις μας είναι εργαλεία σκέψης, όχι εγγυήσεις. Χρησιμοποιήστε τις για να κατανοήσετε καλύτερα το πρωτάθλημα, όχι ως βάση για στοιχηματικές αποφάσεις.